MLOps 一直是我想深入了解的領域，而這次的鐵人賽，成了我實際動手學習與實作的最佳機會。為了更有系統地掌握相關技術，我選擇從一個強大且活躍的開源專案 —— Flyte 開始，並延伸學習了多個在業界中常見的工具與框架，如 Ray、Dask、MLflow 以及 Dolt。

本系列將記錄我從使用者的角度出發，一步步學習、實驗與整合這些工具的過程，並分享在這段旅程中我所踩過的坑與收穫的知識，希望能幫助其他對 MLOps 感興趣的朋友，少走一些彎路。

1. Flyte：Kubernetes 原生、可擴展的工作流(workflow)引擎，讓資料與機器學習流程自動化變得簡單

• 透過 Flyte Sandbox 環境，學習其基本功能與核心概念：
• 啟用 Sandbox 環境，介紹 Workflow 與 Task 的使用方式、註冊流程與相互參考。
• 深入探討各類型workflow。
• Launch Plan 的使用與設定。
• Task 的基本概念與實作方式。
• ImageSpec 的用途與配置方式。
• Flyte 支援的資料格式（如：File、Directory、StructuredDataset）。
• Flyte 對機器學習框架資料格式的支援（如：PyTorch、TensorFlow 等）。
• 解析 Flyte Sandbox 所使用的 Helm Chart 設定。
• 使用 Flyte Binary 進行部署實作。

2. Ray：彈性強大、易於上手的分散式機器學習訓練平台

• 介紹 Ray 的基本概念與應用場景。
• 建立 KubeRay Operator 並分析 Ray 的 CRD（Custom Resource Definition）。
• 透過 Flyte 建立 Ray Job，實現分散式模型訓練。

3. MLflow：一站式的模型追蹤、管理與部署平台

• 介紹 MLflow 的架構與功能模組。
• 架設 MLflow Tracking Server，實作模型管理環境。
• 搭配 Flyte 訓練模型，並將結果回報至 MLflow 進行追蹤與版本管理。